Augment AI: Synthetische Anreicherung von Datensätzen

Augment AI verbessert die Robustheit von Machine-Learning-Modellen in der industriellen Fertigung durch die Generierung synthetischer Trainingsdaten, den Ausgleich unausgewogener Datensätze und die systematische Optimierung von Modellen und Trainingsprozessen.

Zielgruppen

• Unternehmen aus Fertigung und Maschinenbau, die die Genauigkeit und Zuverlässigkeit ihrer KI-Modelle verbessern möchten
• Unternehmen mit bestehenden Datensätzen, in denen seltene Fehler, Defekte oder kritische Betriebszustände nur unzureichend repräsentiert sind
• KI-Entwickler:innen und Data Scientists, die mit Zeitreihen-, Tabellen- oder Bilddaten arbeiten

Beschreibung

In industriellen Produktionsumgebungen entstehen große Datenmengen aus dem regulären Betrieb, während aussagekräftige Beispiele für Defekte und Ausfälle häufig nur selten verfügbar sind. Dieses Ungleichgewicht kann die Genauigkeit, Robustheit und Generalisierungsfähigkeit von Machine-Learning-Modellen einschränken.

Augment AI begegnet dieser Herausforderung durch die gezielte Generierung zusätzlicher synthetischer Trainingsdaten. Dabei bleiben die statistischen Strukturen und physikalischen Eigenschaften der ursprünglichen Datensätze erhalten. Grundlage des Dienstes ist das am Karlsruhen Institut für Technologie entwickelte Framework AutoAug, das Strategien zur Datenerweiterung automatisiert optimiert und speziell für Zeitserien und transiente Daten optimiert wurde. HammerHAI bietet zudem State-of-the-Art Datenanreicherungsmethoden für verschiedenste relevante Daten an.

Abhängig von den Daten und dem Anwendungsfall kombiniert Augment AI etablierte Augmentierungsverfahren mit fortgeschrittenen generativen Ansätzen, darunter Diffusions- und Continuous-Flow-Modelle. Ergänzend kommen automatisierte Verfahren zur Hyperparameteroptimierung wie Optuna, Hyperopt und Bayesian Optimization zum Einsatz. So werden Augmentierungsstrategien, Modellkonfigurationen und Trainingsprozesse gemeinsam optimiert.

Augment AI unterstützt folgende Datentypen:

Zeitreihendaten

• Anwendung sensorspezifischer Transformationen wie Jittering, Scaling und Time Warping
• Automatische Auswahl geeigneter Augmentierungsstrategien unter Erhaltung der Bedeutung und Charakteristik der ursprünglichen Signale

Tabellarische Daten

• Generierung zusätzlicher Beispiele für unterrepräsentierte Klassen mithilfe etablierter Verfahren wie SMOTE und ADASYN
• Erhaltung relevanter statistischer Zusammenhänge durch kontrollierte Interpolation im Merkmalsraum

Bilddaten

• Erzeugung zusätzlicher Varianten bestehender Defekte durch geometrische und strukturelle Transformationen
• Erhaltung wesentlicher Defektmerkmale bei gleichzeitiger Erweiterung der Vielfalt an Trainingsbeispielen

Anwendungsbereiche

Augment AI eignet sich insbesondere für industrielle KI-Anwendungen, bei denen unausgewogene Datensätze oder eine geringe Anzahl an Trainingsbeispielen die Modellleistung beeinträchtigen. Typische Anwendungsfälle sind:

• Robuste Fehlererkennung: Verbesserung der Defektklassifikation bei stark unausgewogenen Datensätzen, beispielsweise Produktionsdaten mit 99 % Gutteilen und 1 % Ausschuss
• Predictive Maintenance: Generierung zusätzlicher Beispiele seltener, aber kritischer Ausfallszenarien auf Basis bestehender Maschinen- und Sensordaten
• Modellvalidierung und -optimierung: Ergänzung synthetischer Randfälle und systematische Optimierung von Modellparametern zur Verbesserung von Stabilität, Genauigkeit und Generalisierungsfähigkeit

So funktioniert es

Augment AI kombiniert Datenerweiterung und Modelloptimierung in vier Schritten:

Datenbereitstellung

• Bereitstellung bestehender Datensätze, beispielsweise CSV-Dateien mit Tabellen- oder Zeitreihendaten sowie Bildarchive
• Optional kann eine bestehende Machine-Learning-Modellarchitektur bereitgestellt werden.

Datenanalyse

• Untersuchung von Klassenverteilungen, Datentypen und Sensoreigenschaften
• Identifikation geeigneter Augmentierungsverfahren und Definition des Suchraums für Augmentierungsparameter und Modellhyperparameter

Augmentierung und Optimierung

• Generierung synthetischer Trainingsbeispiele mithilfe datenabhängiger Augmentierungsstrategien
• Automatisierte Optimierung von Modellparametern und Trainingskonfigurationen zur bestmöglichen Nutzung der erweiterten Datensätze

Validierung und Ergebnisse

• Bereitstellung der erweiterten Datensätze einschließlich eines Validierungsberichts
• Übergabe des trainierten und optimierten Modells mit Leistungskennzahlen und dokumentierten Verbesserungen

Zugang

Augment AI befindet sich derzeit in der Entwicklung und ist auf individuelle Anfrage verfügbar.

Per E-Mail: Bitte senden Sie eine kurze Beschreibung Ihres Anwendungsfalls und der verfügbaren Datensätze an access@hammerhai.eu

Angeboten von

Kontakt

Till Riedel

KIT

access@hammerhai.eu